[pt] CATEGORIZAÇÃO DE TEXTOS: ESTUDO DE CASO: DOCUMENTOS DE PEDIDOS DE PATENTE NO IDIOMA PORTUGUÊS
[pt] Atualmente os categorizadores de textos construídos por técnicas de aprendizagem de máquina têm alcançado bons resultados, tornando viável a categorização automática de textos. A proposição desse estudo foi a definição de vários modelos direcionados à categorização de pedidos de patente, no idi...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2015 |
| País: | Brasil |
| Institución: | Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
| Repositorio: | Repositório Institucional da PUC-RIO (Projeto Maxwell) |
| Idioma: | portugués |
| OAI Identifier: | oai:MAXWELL.puc-rio.br:23851 |
| Acceso en línea: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=23851&idi=1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=23851&idi=2 http://doi.org/10.17771/PUCRio.acad.23851 |
| Access Level: | acceso abierto |
| Palabra clave: | [pt] CATEGORIZACAO DE TEXTOS [pt] ALGORITMO BASEADO EM CENTROIDE OU VETOR PROTOTIPO [pt] ALGORITMO K VIZINHOS MAIS PROXIMOS K NN [pt] STEMIZACAO [pt] DESCOBERTA DE CONHECIMENTO EM TEXTOS REFERENTE A PEDIDOS DE PATENTE [pt] CLASSIFICACAO DE DOCUMENTOS DE PEDIDOS DE PATENTE [pt] CATEGORIZACAO DE DOCUMENTOS DE PEDIDOS DE PATENTE [pt] CLASSIFICACAO DE TEXTOS [en] TEXT CATEGORIZATION [en] CENTROID OR PROTOTYPE ALGORITHM [en] STEMMING [en] DISCOVERY IN TEXT KNOWLEDGE BASED IN PATENTS [en] CLASSIFICATION OF PATENT S APPLICATION DOCUMENTS [en] CATEGORIZATION OF PATENT S APPLICATION DOCUMENTS [en] TEXT CLASSIFICATION |
| Sumario: | [pt] Atualmente os categorizadores de textos construídos por técnicas de aprendizagem de máquina têm alcançado bons resultados, tornando viável a categorização automática de textos. A proposição desse estudo foi a definição de vários modelos direcionados à categorização de pedidos de patente, no idioma português. Para esse ambiente foi proposto um comitê composto de 6 (seis) modelos, onde foram usadas várias técnicas. A base de dados foi constituída de 1157 (hum mil cento e cinquenta e sete) resumos de pedidos de patente, depositados no INPI, por depositantes nacionais, distribuídos em várias categorias. Dentre os vários modelos propostos para a etapa de processamento da categorização de textos, destacamos o desenvolvido para o Método 01, ou seja, o k-Nearest-Neighbor (k-NN), modelo também usado no ambiente de patentes, para o idioma inglês. Para os outros modelos, foram selecionados métodos que não os tradicionais para ambiente de patentes. Para quatro modelos, optou-se por algoritmos, onde as categorias são representadas por vetores centróides. Para um dos modelos, foi explorada a técnica do High Order Bit junto com o algoritmo k- NN, sendo o k todos os documentos de treinamento. Para a etapa de préprocessamento foram implementadas duas técnicas: os algoritmos de stemização de Porter; e o StemmerPortuguese; ambos com modificações do original. Foram também utilizados na etapa do pré-processamento: a retirada de stopwords; e o tratamento dos termos compostos. Para a etapa de indexação foi utilizada principalmente a técnica de pesagem dos termos intitulada: frequência de termos modificada versus frequência de documentos inversa TF -IDF . Para as medidas de similaridade ou medidas de distância destacamos: cosseno; Jaccard; DICE; Medida de Similaridade; HOB. Para a obtenção dos resultados foram usadas as técnicas de predição da relevância e do rank. Dos métodos implementados nesse trabalho, destacamos o k-NN tradicional, o qual apresentou bons resultados embora demande muito tempo computacional. |
|---|